Multilinear subspace analysis of image ensembles
Multilinear subspace analysis of image ensembles
复制标题
DOI：
10.1109/cvpr.2003.1211457
复制
发表时间：
2003-06
期刊：
影响因子：
--
通讯作者：
M. Alex O. Vasilescu;Demetri Terzopoulos
中科院分区：
文献类型：
--
作者：
M. Alex O. Vasilescu;Demetri Terzopoulos
多线性代数是高阶张量的代数，它为分析由任何数量的潜在因素相互作用产生的图像集合提供了一个强有力的数学框架。我们提出了一种降维算法，使多线性框架内的子空间分析成为可能。这种N-型正交迭代算法基于一种称为N-型奇异值分解的张量分解，它是传统矩阵奇异值分解(SVD)张量的自然扩展。我们展示了多线性子空间分析在人脸图像集成环境中的能力，其中相关因素包括不同的人脸、表情、视点和照明。在之前的工作中，我们证明了我们的多线性表示，称为TensorFaces，相对于标准的线性(主成分分析/特征脸)方法，产生了更高的人脸识别率。我们演示了人脸图像集成的特定于因素的降维。例如，我们可以抑制照明效果(阴影、高光)，同时保留详细的面部特征，产生较低的感知误差。
Multilinear algebra, the algebra of higher-order tensors, offers a potent mathematical framework for analyzing ensembles of images resulting from the interaction of any number of underlying factors. We present a dimensionality reduction algorithm that enables subspace analysis within the multilinear framework. This N-mode orthogonal iteration algorithm is based on a tensor decomposition known as the N-mode SVD, the natural extension to tensors of the conventional matrix singular value decomposition (SVD). We demonstrate the power of multilinear subspace analysis in the context of facial image ensembles, where the relevant factors include different faces, expressions, viewpoints, and illuminations. In prior work we showed that our multilinear representation, called TensorFaces, yields superior facial recognition rates relative to standard, linear (PCA/eigenfaces) approaches. We demonstrate factor-specific dimensionality reduction of facial image ensembles. For example, we can suppress illumination effects (shadows, highlights) while preserving detailed facial features, yielding a low perceptual error.